Robust Inference in Econometrics

计量经济学中的稳健推论

基本信息

批准号：
1656313
负责人：
Donald Andrews
金额：
$ 22.61万
依托单位：
Yale University
依托单位国家：
美国
项目类别：
Continuing Grant
财政年份：
2017
资助国家：
美国
起止时间：
2017-09-01 至 2021-08-31
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1656313&HistoricalAwards=false
关键词：
Robust Inference Econometrics

项目摘要

This research is designed to improve the econometric and statistical methods available for empirical researchers in economics and other fields, including political science, medicine, and the physical sciences. Standard statistical methods rely on certain basic assumptions for their validity. However, these assumptions are not guaranteed to hold in practical applications, and their failure can lead to misleading results. This project contributes to the literature that aims to develop methods that rely on a much weak set of assumptions, which leads to more robust statistical procedures. Emphasis in the research is to make methods robust to weak identification and lack of identification, where "identification" refers to the amount of information available in the data concerning the object of interest. This research has the potential to make empirical research, upon which economic policy is based, more robust.The literature on identification-robust inference has made considerable progress on inference for an unknown parameter vector as a whole. This research focuses on linear and nonlinear functions of the parameter vector, such as subvectors, which typically are of much greater interest in practice than the whole parameter. The investigator develops methods that are completely robust to weak identification and identification failure (in the sense of having correct asymptotic size in a uniform sense), are not asymptotically conservative, and are asymptotically efficient under strong identification. The methods will be of a two-step fashion where the first-step involves a confidence set for the nuisance parameter and the second step involves a C(&#945;)-type test (or confidence set) that employs a data-dependent critical value. The investigator also carries out research on (i) deterministically time-varying autoregressive models that may exhibit (local) nonstationarity or stationarity and smooth transitions between the two, (ii) optimality properties of tests in the widely-used linear instrumental variables model, and (iii) subvector tests with optimality properties under weak and strong identification in the linear instrumental variable model with two endogenous variables.

这项研究旨在改进经济学和其他领域（包括政治学、医学和物理科学）的实证研究人员可用的计量经济学和统计方法。标准统计方法的有效性依赖于某些基本假设。然而，这些假设并不能保证在实际应用中成立，并且它们的失败可能会导致误导性的结果。该项目为文献做出了贡献，旨在开发依赖于一组非常弱的假设的方法，从而产生更稳健的统计程序。研究的重点是使方法对弱识别和缺乏识别具有鲁棒性，其中“识别”是指有关感兴趣对象的数据中可用的信息量。这项研究有可能使经济政策所依据的实证研究变得更加稳健。关于识别稳健推理的文献在未知参数向量整体的推理方面取得了相当大的进展。这项研究的重点是参数向量的线性和非线性函数，例如子向量，它们在实践中通常比整个参数更受关注。研究者开发的方法对弱识别和识别失败完全稳健（在统一意义上具有正确的渐近大小），不是渐近保守的，并且在强识别下渐近有效。这些方法将采用两步方式，其中第一步涉及有害参数的置信度集，第二步涉及采用数据相关的 C(α) 型测试（或置信度集）。临界值。研究人员还开展以下方面的研究：(i) 确定性时变自回归模型，该模型可能表现出（局部）非平稳性或平稳性以及两者之间的平滑过渡，(ii) 广泛使用的线性工具变量模型中检验的最优性属性，以及(iii) 在具有两个内生变量的线性工具变量模型中，在弱识别和强识别下具有最优性的子向量检验。

项目成果

期刊论文数量（6）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Inference based on many conditional moment inequalities

基于许多条件矩不等式的推理

DOI：
10.1016/j.jeconom.2016.09.010
发表时间：
2017-02
期刊：
Journal of Econometrics
影响因子：
6.3
作者：
Andrews, Donald W.K.;Shi, Xiaoxia
通讯作者：
Shi, Xiaoxia

Commands for Testing Conditional Moment Inequalities and Equalities

用于测试条件矩不等式和等式的命令

DOI：
发表时间：
2017-01
期刊：
The Stata journal
影响因子：
0
作者：
Andrews, Donald W;Kim, W;Shi, X
通讯作者：
Shi, X

ASYMPTOTIC SIZE OF KLEIBERGEN’S LM AND CONDITIONAL LR TESTS FOR MOMENT CONDITION MODELS

KLEIBERGEN LM 的渐近大小和矩条件模型的条件 LR 检验

DOI：
10.1017/s0266466616000347
发表时间：
2017-10
期刊：
Econometric Theory
影响因子：
0.8
作者：
Andrews, Donald W.K.;Guggenberger, Patrik
通讯作者：
Guggenberger, Patrik

On optimal inference in the linear IV model

线性 IV 模型中的最优推理

DOI：
10.3982/qe1082
发表时间：
2019-05
期刊：
Quantitative Economics
影响因子：
1.8
作者：
Andrews, Donald W. K.;Marmer, Vadim;Yu, Zhengfei
通讯作者：
Yu, Zhengfei

Identification‐ and singularity‐robust inference for moment condition models

矩条件模型的识别和奇点鲁棒推理

DOI：
10.3982/qe1219
发表时间：
2019-01
期刊：
Quantitative Economics
影响因子：
1.8
作者：
Andrews, Donald W.;Guggenberger, Patrik
通讯作者：
Guggenberger, Patrik

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Donald Andrews其他文献

Série Scientifique Scientific Series Semi-parametric Weak Instrument Regressions with an Application to the Risk-return Trade-off Semi-parametric Weak Instrument Regressions with an Application to the Risk-return Trade-off*

Série Scientifique 科学系列半参数弱工具回归应用于风险回报权衡半参数弱工具回归应用于风险回报权衡*

DOI：
10.1300/j020v23n04_02
发表时间：
2005
期刊：
Alcoholism Treatment Quarterly
影响因子：
0.9
作者：
B. Perron;Peter Phillips;Oliver Linton;Donald Andrews;Hyungsik Moon;John W. Galbraith;Yale Toronto;Concordia
通讯作者：
Concordia

The Proximal Bootstrap for Constrained Estimators

约束估计器的近端引导程序

DOI：
10.1016/j.jlp.2020.104237
发表时间：
2024-09-14
期刊：
Journal of Loss Prevention in The Process Industries
影响因子：
3.5
作者：
Jessie Li;Donald Andrews;Andrés Aradillas;Stéphane Bonhomme;Xiaohong Chen;Timothy Christensen;Jean;Bulat Gafarov;Patrik Guggenberger;Marc Henry;Michael Jansson;Sung Jae Jun;Luofeng Liao;J. Pinkse;Jack Porter;Demian Pouzo;Andres Santos;Xiaoxia Shi;Azeem M. Shaikh;Ale;er Torgovitsky;er;Takuya Ura
通讯作者：
Takuya Ura

A simulation-deep reinforcement learning (SiRL) approach for epidemic control optimization

用于流行病控制优化的模拟深度强化学习（SiRL）方法

DOI：
10.1007/s10479-022-04926-7
发表时间：
2022-09-26
期刊：
Annals of Operations Research
影响因子：
4.8
作者：
Sabah Bushaj;Xuecheng Yin;Arjeta Beqiri;Donald Andrews;˙I. Esra Büyüktahtakın
通讯作者：
˙I. Esra Büyüktahtakın